ارزیابی عملکرد مدل های یادگیری ماشین مبتنی بر روش تجزیه مد متغیر در برآورد جریان رودخانه (مطالعه موردی: رودخانه دز)

در مطالعه حاضر جریان ماهانه رودخانه دز در محل ایستگاه تله زنگ در دوره آماری ۱۳۵۰ تا ۱۴۰۱، با رویکرد توسعه مدل تلفیقی مبتنی بر روش تجزیه سیگنال مد متغیر (VMD) مدل سازی شد. داده های ورودی به مدل های جنگل تصادفی (RF) و ماشین بردار پشتیبان (SVM) براساس سه سناریو تعرف شد. در سناریوی اول ورودی ها به ترتیب از یک تا چهار تاخیر در مقیاس ماهانه در نظر گرفته شدند. در سناریوی دوم علاوه بر داده های جریان تاخیر یافته ترم تناوبی خطی و غیرخطی به مدل ها وارد شد و در سناریوی سوم داده های ورودی توسط روش VMD به زیر سری هایی تحت عنوان توابع مد ذاتی تجزیه شده و سپس در اختیار مدل ها قرار گرفت. نتایج نشان داد که هرچند مدل های منفرد با الگوهای ورودی متفاوتی به حداکثر دقت خود دست می یابند اما افزودن ترم تناوبی عملکرد مدل ها را تا حدودی بهبود می بخشد. در این بین بهترین عملکرد، مربوط به مدل SVM با میانگین شاخص خطای RMSE برابر با (m۳/s) ۸۳/۱۵۶ در سناریوی دوم بود. برای مدل RF نیز میانگین شاخص خطا در سناریوی دوم کمتر از سناریوی اول بوده و برابر با (m۳/s) ۹۹/۱۶۲ به دست آمد. در گام سوم داده های مربوطه توسط روش VMD تجزیه و فرآیند مدل سازی با روش های RF و SVM انجام شد. براساس شاخص های ارزیابی، کاهش خطا و افزایش دقت در مدل های تلفیقی توسعه داده شده به طور قابل ملاحظه ای مشهود بود. به طوریکه مدل VMD-SVM تواتست مقدار شاخص RMSE را به طور متوسط حدود (m۳/s) ۱۲۱ مترمکعب بر ثانیه (حدود ۷۱ درصد) کاهش داده و نسبت به مدل VMD-RF نیز از دقت بهتری برخوردار بود.

کلیدواژه ها:

تجزیه سیگنال ، توابع مد ذاتی ، سطح تجزیه ، موج فرکانس مرکزی